iPAS 考題解析對於低結構化的文本或圖像資料，下列哪一種特徵工程（Feature Engineering）方法最為適用？

解析

正確答案：C. 特徵學習（Feature Learning）

特徵學習（Feature Learning）透過神經網路等方法自動從原始非結構化資料（文本、圖像）中學習有意義的特徵表示，不需要人工設計特徵。這與 NLP 的詞嵌入、CV 的卷積特徵提取原理相同。特徵選擇適用於已有結構化特徵的資料集。

每個選項為什麼對或錯

• A 特徵改善（Feature Improvement） 錯誤選項

  特徵改善不是特徵工程的標準術語。

• B 特徵建構（Feature Construction） 錯誤選項

  特徵建構是手工創造新特徵，適合結構化資料。

• C 特徵學習（Feature Learning） 正解

  特徵學習從非結構化資料自動學習特徵，最適合文本和圖像，此為正確答案。

• D 特徵選擇（Feature Selection） 錯誤選項

  特徵選擇是從現有特徵中挑選，適合已有結構化特徵的情況。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。